论文部分内容阅读
油气储层的准确识别在油气勘探中举足轻重。基于地震的深层储层预测，困难之处在于储层孔隙流体地震响应信号的识别或信息提取。现有方法仍有不足之处，因此必须有针对性的研究发展新的储层识别方法技术。深度学习是一类能够发现数据中潜在特征的算法，已在其他一些领域有了许多成功的经验，尤其在计算机视觉领域。它具有强大的特征学习能力和对数据的高效表达，近年来正逐渐开始在地球物理领域崭露头角。基于此，为充分挖掘地震数据中包含的储层信息，提高地震资料利用率，本文将深度学习应用于储层识别问题当中。通过对深度学习提取的高层特征的分析表明，本文提出的DCAE模型能够用于提高对油气储集层的检测和识别能力。本文主要研究内容如下: 1.研究了卷积神经网络与自编码网络，使用目前业界优秀的深度学习库Tensorflow，设计并编写了深度卷积自编码(DCAE)模型。该模型的计算分为三个阶段:编码阶段、解码阶段和重建阶段。编码阶段与解码阶段为对称结构，包括输入层、输出层以及17层隐藏层。隐藏层中的神经元与传统的卷积神经网络类似，在编码阶段，包含了3组卷积与池化层以及编码全连接层，经过表达层后进入解码阶段，包含了解码全连接层以及对应的3组解卷积与反池化层，最后通过非线性函数将图像映射为神经元的输出。通过输入测试数据，在重建阶段验证已学习到的特征。 2.为使DCAE模型获得更加准确的特征学习结果，对网络超参数、网络结构、训练样本空间、数据分布等深度学习的运行机制进行了分析与探讨，通过大量的实验，获取对于当前储层识别任务中的最优组合。DCAE通过重建结果评判参数优劣，大量实验表明，模型学习率为0.0005、训练次数为50000次、训练批量为20、卷积核设置为3×3时，模型的重建结果较优，即模型已充分学习获得了训练数据的内部特征。为后续工作铺平道路。 3.深度卷积自编码属于无监督深度学习模型，特征学习结果缺乏指向性。为使无监督学习的结果更易于解释，创新性地使用特征的相关性分析，以确定对油气储集识别任务更加具有指向性的深层特征。并使用地震数据，通过深度卷积自编码学习挖掘内部特征，对塔河工区碳酸盐岩缝洞型油气储集区进行储层描述，实验对比发现，具有中高相关系数的深层卷积层的特征能够更好地指示储层的分布特征，达到较高的识别率。结果表明深度卷积自编码网络用于储层识别问题是可行而有效的，为储层识别提供了一条新的思路，具有新颖的学术与技术价值。